1、Leveraging FrameNet to Improve Automatic Event Detection,中国科学院自动化研究所 模式识别国家重点实验室,刘树林 陈玉博 何世柱 刘康 赵军,背景,FrameNet FrameNet 的理论基础是Frame Semantics， 该理论认为绝大部分词的含义可以通过语义框架（Semantic Frame）来描述。语义框架：一个对事件（event）、关系（Relation）或者实体（Entity）的类型及其参与者（Participants）的描述。FrameNet的数据结构包括Frame、LU (Lexical Unit)、FE (Frame
2、 Element)和Exemplar，Frame之间定义了八种关系。,FrameNet包含1000多个Frame ，10000多个LU和17000个标注例句（exemplar）,背景,ACE -ACE定义了八大类33小类的事件，事件由触发词（Trigger）和参与者（Argument）组成，例如：恐怖分子于昨天袭击了叙利亚。,-ACE包含599篇标注文档，约6000个标注的事件实例。,动机,- 事件识别面临严重的数据稀疏问题由于事件结构的复杂性，标注成本极大，ACE定义了33类事件，却只有599篇标注文档，尤其对于某些类型的事件，ACE语料只包含几个标注实例，这样规模的数据显然很难训练得到令人
3、满意的识别模型。,- Frame和Event的相似性结构的相似性 Frame由LU和FE构成，Event由Trigger和Argument构成 LU和Trigger功能类似 FE和Argument功能类似,动机,- Frame和Event的相似性内容的相似性部分Frame确实表达了某种类型的事件。,动机,以上的观察促使我们探究如下两个问题：a. Frame和Event之间是否存在比较好的对应关系研究思路：通过Frame下的标注例句是否表达事件来判断Frame和Event之间的关系。b. 是否可以利用FrameNet的数据提高事件识别的效果研究思路：由上面分析可知，事件识别面临严重的数据稀疏问题
4、，一个直接的利用FrameNet提高事件识别性能的方法是利用FrameNet中的事件扩充ACE的数据，缓解数据稀疏问题。,如何在FrameNet语料上识别事件？,方法,在FrameNet语料上识别事件,方法,Basic ED Model将事件识别建模为词分类的问题-和普通的事件识别区别a. 只将LU作为候选触发词b. 跨领域问题基于表示学习的模型能够很好的处理跨领域问题,方法,Basic ED Model模型：三层全连接的神经网络（输入层、隐藏层、输出层）输入：候选词的词向量+当前句子包含词的平均向量词向量来源：使用word2vec工具在NYT语料上训练获得。,方法,PSL ModelBasi
5、c ED 模型对FrameNet中的事件进行初步识别，利用PSL融合初步识别的结果和三条全局限制，推理得到最终的识别结果。-全局限制H1：相同Frame表达相同的EventH2：相关Frame表达相同的EventH2是H1的扩展，这里相关Frame定义为具有Inheritance、See_also和Perspective_on关系的Frame。上面两条限制过于严格，FrameNet中，有很多Frame不能对应到唯一的事件类型上，例如Dead_or_alive， 只有部分句子表达了Dead事件。为了弥补这一问题，引入第三个限制。,方法,PSL Model-全局限制H3: 相同LU表达相同的Eve
6、ntDead_or_alive的LU为：alive.a, dead.a, deceased.a, lifeless.a, living.n, undead.a, undead.n。其中标红的LU表达了Dead事件。 另一方面，H1，H2也可以帮助H3纠正一些错误，例如对于Clothing下的LU“Suit.n”, Basic ED模型会将其下的所有句子识别为Sue事件，这是因为“Suit”是个多义词。然而，如果考虑H1，那么这一错误将被纠正，因为Clothing下的其它LU并非多义词。,方法,PSL Model-建模,实验,数据ACE2005， 529篇做训练集，30篇做开发集，40篇做测试集
7、FrameNet1.5， 共收集15万多个标注例句用于事件识别,实验,Basic ED Model参数设置：200维词向量，300个隐藏层节点，batch size为100。,实验,在FrameNet中识别事件-Baselines： ANN： 在原始ACE语料上训练得到的事件识别模型; SF (SameFrame): 在ANN的基础上，加入H1的限制; RF(RelatedFrame):在ANN的基础上，加入H2的限制; SL (SameLU):在ANN的基础上，加入H3的限制,实验,在FrameNet中识别事件-人工评价：每个系统产生的结果随机抽样200个，人工标注,实验,在FrameNet中识别事件-自动评价：将每个系统识别的事件加入ACE，扩展数据，自动评价,实验,利用FrameNet提高事件识别效果,未来的工作,未来工作： 将这一工作扩展到完整的事件抽取任务上 （包括事件参与者及其角色的识别）。 ACE定义的事件粒度过粗，例如，街头斗殴和战争都被表示为同一种事件Attack。我们计划用FrameNet中粒度更细的Frame对ACE的事件框架进行优化，例如Attack可以被分为恐怖袭击、入侵等。,Thank You,
